qq_46147236的博客

当你需要在linux服务器上跑代码时，MobaXterm 是一个非常好的软件，只要连接服务器 并将代码上传，就可以在这个软件中以符合window操作系统习惯去打开文件 执行代码等等。左上角这个按钮可以上传文件。这个我之前已经下载安装过了，就不演示了。这个博主写的很详细，推荐大家看。在右边的命令窗口，使用conda命令进行正常的python环境配置即可。打开后，直接将windows文件拖拽到想要上传的位置即可。详细的python配置环境命令 可以看之前写的这篇。2. 上传本windows主机的文件。

点击后出现以下界面，这里有torch相关的其他库，其中就包括torch_sparse。注意根据自己的python版本和系统选择，cp38代表python是3.8版本。去GitHub的pyg-team主页中找到pytorch-geometric包。选择需要的pytorch版本，这里我选择1.12.1。安装好后就可以删除本地的torch_sparse包了。二、python虚拟环境钟，切换到刚刚下载的目录。pip install 文件名.whl。一、找到自己需要的版本，点击下载。三、执行pip安装命令。

在刚刚新建的虚拟环境下，执行以上命令，即可得到一个文件路径，如D:\....\try_time\lib\site-packages\torch_geometric\__init__.py。报错位置代码，是从torch_geometric.nn.pool.topk_pool去import函数的，所以沿着这个路径去找到topk_pool文件。访问D:\....\try_time\lib\site-packages\torch_geometric\nn\pool，打开topk_pool.py。

安装torch_grometric，torch_scatter, torch_sparse, torch_cluster库

4. 查看GPU是否可用。1. 安装GPU驱动。3. 安装cudnn。

啊每次都是pytorch版本问题引发的一系列错误！nvcc --version 可以看到我的cuda版本是11.8nvidia-smi 查看NVIDIA驱动版本，可以看到我的驱动版本是522.06方法二： 去NVIDIA控制面板，查看本机GPU支持的CUDA版本具体操作：NVADIA的控制面板>帮助>系统信息>组件,可以看到我的版本是CUDA11,选择对应的版本。我的GPU支持11.8的CUDA版本在Pytorch官网中，根据自己的CUDA版本选择，复制安装命令。

连接服务器，在terminal执行nvidia-smi命令查看。可能需要低于cuda version12.2，具体我也不太懂。兜兜转转尝试过好多教程，总是版本对应出错。注意要下载对应你的cuda版本的dgl，不然默认会下载cpu版的。3.1 先查看自己的cuda版本。官网找对应cuda版本的安装命令。一、查看需要安装的cuda版本。如果返回TRUE说明成功了！三、如果代码有用到dgl库。四、测试cuda是否可用。二、安装pytorch。

pytorch1.0.1安装

如需清华镜像加速：pip install [安装包] -i https://pypi.tuna.tsinghua.edu.cn/simple。1. 在Anaconda官网找版本对应的下载地址，然后在终端执行以下命令，用wget下载所需的版本。conda create -n [你的环境名称] python=[需要创建的python版本号]5. 测试是否安装成功：输入conda -V ，如果出现版本号则说明安装好了。接着切换到环境的命令：conda activate [你的环境名称]一、安装Anaconda。

接下来就可以在terminal中切换目录，运行python项目。注意：需要用专业版pycharm。2. 进入Mapping页面。出现这个则代表成功上传代码。1. 添加远程服务器配置。4. 测试是否链接成功。

将标准错误 2 重定向到标准输出 &1 ，标准输出 &1 再被重定向输入到train_log.txt 文件中。今天分享一个linux的nohup命令，使用该命令运行代码模型，代码会在后台运行，电脑关机也可持续安全得跑模型。大家都知道训练模型大多要很长时间，如果电脑突然断电则模型又要重新训练。python main.py (--可加参数）> 重定向文件。其中重定向文件可以保存训练的参数指标，1. 切换到需要执行的文件目录。具体命令知识可看这篇。

python安装torch的版本问题

如需清华镜像加速：pip install [安装包] -i https://pypi.tuna.tsinghua.edu.cn/simple。conda create -n [你的环境名称] python=[需要创建的python版本号]最后，运行python中main.py脚本，可以添加参数，也可以挂机训练模型并保存运行结果（可参考之前写的这篇。可以先在本地python项目中导出requirements.txt，获取需要安装的库。终端进入创建的python虚拟环境，并切入python项目文件夹下。

我是之前训练过模型，现在想重新训练，所以可以将之前保存的模型删除。用了13349/24564 Mib，只剩一半不到。在训练模型中由于GPU储存空间不足而中断。在代码中找到模型保存的位置，rm进行删除。1. 首先查看GPU内存信息。3. 再次查看GPU使用情况。2. 可以查看能清除的文件。

注意先设置断点debug后，再选择Edit Configurations设置参数。连接好服务器后，这篇写的是如何在本机debug服务器上代码。2. 添加在服务器创建的虚拟环境中python解释器的位置。pycharm中连接远程服务器的教程看我前面一篇。1.在pycharm设置中添加远程服务器环境。可以把.args参数配置文件直接复制到这。点击ok就可以开始debug了。

这一步一定要注意，不然服务器存的位置对应不上。Local Path是本地你python项目储存的位置，Remote Path是该项目需要映射到服务器的位置。（可以先提前在服务器中新建好一个空文件夹，用于存该项目。由于我们要添加远程服务器的python环境，这里点击On SSH。这次说说已经添加过服务器，打开python项目后，如何在pycharm中将代码上传到服务器运行，并实现本机调试。如果之前添加过服务器，可直接选择Existing。选择debug路径，还可添加参数配置指令。建好后可以修改解释器的名字。

3. 再次ls查看文件，可以看到models文件已被重命名为trained_models_backups。1. 在终端切到文件夹，ls查看当前文件夹下所有文件。2. 使用指令可对文件夹下的指定文件重命名。

导出的environment.yml包含了所有的环境依赖，可以直接用于配置自己的python环境。在python终端 conda create -n 环境名 python=版本。3. 根据environment.yml安装依赖。1. 首先建议创建一个python虚拟环境。2. 切换到虚拟环境下。

SSH客户端就是可以使用SSH进行远程连接服务器的应用程序。SSH客户端通过使用SSH协议和密钥可以让用户安全的访问云服务器以及执行 shell 命令。为了防止通过网络进行的通信被窃取，SSH 协议通过 SSL 或安全套接字层协议进行通信加密。MobaXTerm是一款多功能的SSH客户端，以其高速连接、美观的用户界面以及其他工具所没有的附加功能而深受用户喜爱。MobaXTerm有一个文件浏览器、一个用于管理远程计算机上的图形界面的内置 XServer、许多扩展功能的插件。1. 点击Session。